Maskinlæring er en gren af kunstig intelligens, hvor computere udleder mønstre af data i stedet for at få hver regel programmeret eksplicit. Afhængigt af opgaven lærer modeller af mærkede eksempler (overvåget), af umærkede data (uovervåget) eller gennem belønninger (reinforcement). Anvendelserne spænder fra spamfiltre og efterspørgselsprognoser til produktanbefalinger. Kvaliteten afhænger i høj grad af mængden og kvaliteten af træningsdataene.
Deep learning er en gren af maskinlæring, der bruger kunstige neurale netværk med mange lag. Sådanne netværk lærer ud fra store datamængder, hvilke træk der er vigtige – fra kanter i billeder til betydningsrelationer i tekster. Deep learning ligger til grund for nutidens sprogmodeller, billed- og talegenkendelse og maskinoversættelse og kræver som regel betydelig regnekraft og mange træningsdata.
Ved supervised learning lærer en model af eksempler, hvor det rigtige svar allerede er kendt, f.eks. e-mails mærket »spam« eller »ikke spam«. Ud fra dem udleder den regler til at klassificere nye, usete tilfælde eller forudsige værdier. Typiske opgaver er klassifikation og regression; det meste af indsatsen går med at skabe rent mærkede data.
Ved unsupervised learning får en model data uden foruddefinerede rigtige svar og leder selv efter strukturer. Typiske metoder er clustering, som grupperer ensartede datasæt, og dimensionsreduktion, som komprimerer mange features til nogle få væsentlige. Organisationer bruger det til at opdage kundesegmenter eller spotte usædvanlige transaktioner; de fundne grupper skal derefter fortolkes af fagfolk.
Reinforcement learning er en gren af machine learning, hvor en agent lærer ved at prøve sig frem. Den handler i et miljø, får belønninger for gode udfald og straf for dårlige og udvikler på den måde en strategi, der maksimerer dens samlede belønning. Kendte eksempler er programmer, der mestrer brætspil som Go, robotstyring og fine-tuning af sprogmodeller på baggrund af menneskelige vurderinger.
